协同过滤推荐算法作为当前应用率最高的个性化推荐技术,不仅迎来了机遇,也面临着重大挑战,其中,数据稀疏、冷启动、可扩展性不高等问题一直制约着协同过滤推荐算法的发展。针对以上问题,本文设计低值填充方法缓解评分数据的稀疏性;为相似度计算设计惩罚权重增加推荐的准确性;改进聚类算法提高算法的泛化性;融合专家信任因素降低冷启动的影响。本文主要做了以下两项工作。（1）提出基于数据填充和聚类的改进协同过滤推荐算法ICFDFCA（Improved Collaborative Filtering Recommendation Algorithm based on Data Filling and Clustering Algorithm）。首先,在数据预处理阶段设计了LF（Low-Filling）数据填充方法,填充用户评分矩阵中空缺的低期待值项目,改进了数据填充方式。在计算相似度时,综合Jaccard和Pearson相似度计算方法各自的优势,并进一步考虑到用户自身活跃度对相似度计算的影响,设计活跃度惩罚权重对相似度计算进行了改进。其次,对聚类算法进行改进,为了使各聚类内部的紧凑度和各聚类间的分离度更高,不再随机选取聚类中心,而是选取核心点集合中差异最大的一组点作为聚类中心,然后将剩余用户划分到不同的聚类中,并在各聚类内部利用相似用户进行推荐。实验证明,ICFDFCA算法在很大程度上缓解了数据稀疏性问题。（2）提出融合专家信任的协同过滤推荐算法CFRAIETS（Collaborative Filtering Recommendation Algorithm based on Improved Expert Trust and Similarity）。考虑到普通用户习惯性地询问专家,并且专家推荐往往可以得到令人满意的结果,引入专家信任因素,并进行了两项改进。首先,针对已有的信任度计算未将项目间的差异考虑在内,导致得出的结果不准确,设计了Itrust项目因子,对专家评价过的每一个项目赋予独立的信任度值。其次,考虑到LF数据填充方法无法满足专家需要广泛评分这一特点,利用和专家具有相同评分习惯的用户来为专家的评分矩阵进行填充。最后,以ICFDFCA算法为基础,在进行推荐和做评分预测时不仅使用相似用户,同时结合专家因素,提出了融合专家信任的协同过滤推荐算法CFRAIETS,在评分预测公式上为专家用户分配权重,并设计了平衡因子来调和与相似用户的比重。实验证明,CFRAIETS算法不仅有效缓解了冷启动问题,提高了推荐精度,还提升了对长尾物品的挖掘能力。